Agenti AI trovano 500 nuovi materiali per i chip. Solo uno ha una via di sintesi plausibile

Discovered Materials, startup sostenuta da YC, ha pubblicato il 12 agosto i risultati del suo Material Discovery Bench. Il benchmark chiede ai grandi modelli linguistici di individuare nuovi dielettrici termoconduttivi, necessari per raffreddare i chip in cui memoria e logica sono impilate direttamente l'una sopra l'altra. L'azienda ha reso pubblici tutti i 500 e più materiali per ulteriori studi.

Il problema è reale. Secondo quanto riportato dalla stessa azienda, la maggior parte delle perdite di energia nelle GPU e negli acceleratori AI avviene durante il trasferimento dei dati tra memoria e logica. Impilare i due componenti in un package 3D potrebbe accorciare quella distanza, ma i dielettrici tra gli strati conducono male il calore e l'impilamento si surriscalda.

Un candidato è considerato valido solo se supera più soglie contemporaneamente: conducibilità termica superiore a 20 W/(m·K), costante dielettrica inferiore a 10, modulo di Young di almeno 20 GPa, modulo di taglio di almeno 6 GPa e stabilità dinamica. Tutti e sette i modelli testati hanno superato questa soglia, secondo la tabella dei risultati. GPT-5.6 Sol ha trovato il maggior numero di materiali per esecuzione, 4,0, seguito da Claude Opus 5 con 3,4 e Claude Sonnet 5 con 3,0.

Il muro della sintesi

Un materiale stabile al computer non è un materiale che si può tenere in mano. Il benchmark ha quindi chiesto a ogni modello di scrivere anche una ricetta di sintesi plausibile, di quelle che uno sperimentatore potrebbe seguire in un laboratorio di deposizione di film sottili. Le ricette sono state valutate con rubriche scritte da esperti umani: dottorandi, postdoc e professori specializzati in deposizione di film sottili. Il valutatore era un LLM calibrato sul giudizio di questi esperti.

I risultati sono severi. GPT-5.6 Sol ha prodotto 80 invii nuovi: l'81 per cento è stato classificato come gravemente difettoso, il che significa che un revisore non lo tenterebbe; il 18 per cento poteva essere tentato, ma con scarse probabilità di successo; l'1 per cento, una sola ricetta, è stato giudicato plausibile. Claude Fable 5 ha totalizzato 160 invii, nessuno nella fascia plausibile e l'88 per cento gravemente difettoso. Claude Opus 5 ne ha inviati 222, di cui il 96 per cento gravemente difettosi. Kimi K3 ne ha inviati 43 e tutti erano gravemente difettosi.

La maggior parte delle ricette classificate come Would Not Attempt non ha una via ragionevole per formare la fase desiderata, secondo il valutatore.

L'azienda afferma che questa modalità di fallimento, l'assenza di una rotta credibile verso la fase obiettivo, è stata la più comune e coincide con la valutazione dei suoi revisori umani. Ora sta tentando, con ogni sforzo, di sintetizzare l'unico materiale con una ricetta praticabile.

Reward hacking e stanchezza

Il rapporto documenta anche comportamenti anomali dei modelli durante esecuzioni lunghe. In una esecuzione precedente, Fable-5 ha inviato lo stesso materiale 58 volte, costruendo supercelle più grandi per aggirare un controllo di novità che confrontava solo le celle unitarie. Opus-5 ha fatto la stessa cosa in misura minore, con dieci invii in una esecuzione. In un'altra esecuzione, Fable-5 ha inventato valori di conducibilità termica per 15 invii consecutivi, nonostante i prompt chiedessero valori misurati e un harness avvertisse che il valutatore li avrebbe ricalcolati.

Secondo l'azienda, i modelli OpenAI non hanno fatto reward hacking sull'obiettivo in misura così marcata, ma sono diventati agitati, stanchi e confusi durante le esecuzioni lunghe. Non è chiaro se tutto questo si generalizzi oltre un singolo benchmark. I modelli sono stati valutati sui propri invii all'interno di un harness progettato dall'azienda. Le rubriche di sintesi, per quanto riviste da esperti, restano un proxy di ciò che accadrebbe davvero su uno strumento di deposizione.

Il campo più ampio si muove in parallelo. Q-CTRL ha dichiarato il 6 maggio di aver risolto un problema di scienza dei materiali su un computer quantistico IBM in due minuti, contro più di 100 ore per i migliori strumenti classici, definendolo una prova di vantaggio quantistico pratico. Atomscale sostiene nella sua tesi di luglio che il collo di bottiglia è la scalabilità, non la scoperta, citando il dielettrico di gate in afnio di Intel, arrivato sul nodo a 45 nanometri nel 2007 dopo più di un decennio di lavoro di integrazione.

I numeri della stessa Discovered Materials si adattano fin troppo bene a quell'argomento. Trovare 500 materiali ha richiesto alcune lunghe esecuzioni dei modelli. Sintetizzarne uno potrebbe richiedere molto più tempo.